《徐小磊-数据驱动的实时客户营销体系.pdf》由会员分享,可在线阅读,更多相关《徐小磊-数据驱动的实时客户营销体系.pdf(28页珍藏版)》请在三个皮匠报告上搜索。
1、数字化实时营销探索研究主讲人:磊叔领域驱动设计启发下的AI视觉分析引擎构建主讲人:戴 昊演讲嘉宾介绍徐小磊 数字化运营专家著作:运营之路:数据分析+数据运营+用户增长15年数据分析和数据运营经验/前阿里巴巴数据专家微软认证 PowerBI 数据分析专家数据挖掘与人工智能硕士CDA 智库 特聘行业专家知乎 Lv.08 级互联网领域创作者2019年个推人人都是增长官/特邀嘉宾2020年流量负增长-重构营销新增长蓝图峰会/特邀嘉宾2023年CDA 心中有数峰会/特邀嘉宾目录CONTENTS存量时代的用户行为特征1234基于时序模型的用户画像基于前序项集的交叉营销基于频繁项集的主动营销存量时代的用户行
2、为特征11存量时代用户的特征沉默召回和活跃留存需求预判和提前触达提升使用频次和时长存量用户的数据营销全景图基于时序模型的用户画像22用户行为是连续和动态的频繁项集用户行为是连续和动态的频繁项集用户行为的频繁项集模型:邻接表无向图带权无向图有向图4000001011000110adj=adj=adj=36521用户行为的频繁项集模型:加权短期行为a0-1-1-1-1P2P3P5P4a0-1-1P1-1P3P4P6P5a0-1-1P2P1P4P5P4P6a0-1P1P3P2P5P6-1P4P2P3P4a0P1P
3、6P4-1-1P1P2P3P4P5sidprevious4previous3previous2previous1pagenext1next3next4next2用户行为的频繁项集模型:重复项处理不去重页面承载工作能力/服务较多经营粒度:功能/服务计算量大,模型复杂去重页面承载工作能力/服务单一经营粒度:页面计算量小,模型简单用户行为的频繁项集模型:剪枝策略流量阈值剪枝孤立节点剪枝用户行为的频繁项集模型适合分布式计算环境忽略用户旅程中时间序列的影响高效的频繁项挖掘算法适合静态用户兴趣的用户行为分析充分考虑了用户旅程各个节点权重充分考虑用户旅程中时间序列的次序适合小规模的频繁项序列适合动态用户兴趣
4、的用户行为分析基于前序项集的交叉营销33交叉营销交叉营销(Cross Marketing),从用户的各种行为中发现用户的多样性需求,并根据用户多样性的需求为其营销相关的的产品或服务。用户需求的多样性|场景化营销的需要|用户兴趣的稳定性交叉营销的典型形态场景交叉上下游交叉SKU交叉客群交叉场景关联,即将多种相关性较强的场景互相做交叉营销,买完机票会推荐酒店、以及外卖点单中常见的搭配服务,主食+小食+饮料。上下游交叉,即在使用流程的前后来交叉多个场景,定完酒店推送飞机票、火车票、或酒店和出行专车券,买房后的装修家居服务,买车后的保险服务等。套餐交叉,即根据用户画像发现某几个场景或服务用户通常会在短
5、期内一起购买或使用。最常见的就是买手机后推荐手机壳、钢化膜和充电宝,去水上世界推荐泳衣、水枪玩具。客群交叉,即在2个完全不同的场景内相互为对方引流,其核心逻辑是这2个场景的客群特征一致。交叉营销的应用场景交叉营销的应用场景m3-03jc_Dxcunt23m3-03jc_Coupon21m3-03kpz03m3-htjc_answerm3-02fq48m3_xjfq_01m3-02fq24m3-02fq12m3-02fq36m3-event_signin_08m3-xffqyx01m3-02wdCrdtMgt05绑卡查账还款饭票分期基础功能理财签到权益商城搜索透现支付场景分类39种业务类型训练数
6、据清洗后约1980万条留存&商城&深度浏览,留存&积分&浏览,留存&商城&初步浏览传播&早起打卡&参与,传播&签到&参与留存&饭票&初步浏览,留存&饭票&深度浏览基础&支付工具&使用,留存&饭票&转化,留存&饭票&深度浏览留存&商城&深度浏览,留存&积分&浏览,留存&商城&初步浏览留存&商城&深度浏览,拉新&活动&初步行为,拉新&活动&参与,传播&签到&参与拉新&活动&初步行为,拉新&活动&参与留存&饭票&深度浏览,留存&饭票&初步浏览,留存&饭票&深度浏览,留存&饭票&初步浏览,留存&饭票&初步浏览留存&积分&浏览,留存&积分&浏览,留存&饭票&深度浏览,留存&饭票&初步浏览,留存&商城&深
7、度浏览,留存&饭票&深度浏览,留存&饭票&深度浏览,留存&饭票&初步浏览,基础&支付工具&使用,留存&积分&浏览埋点数据4000个事件ID/页面ID交叉营销的应用场景前项后项置信度支持度提升度早起打卡“任务广场72.30%1.10%250.40%话题竞猜签到64.20%0.20%177.90%“签到“任务广场59.90%0.50%166.20%“额度分期49.90%1.90%284.50%商城积分48.00%7.40%234.60%任务广场商城40.70%0.40%263.40%话题竞猜商城40.60%0.10%262.80%话题竞猜内容37.20%0.10%221.40%任务广场积分36.9
8、0%0.30%180.30%透现分期36.80%0.10%209.70%积分商城36.20%7.40%234.60%“分期内容35.00%0.60%208.40%置信度表示同时有“打卡”和“任务”的记录数占全部记录的比例。比例太低则没交叉营销的价值。支持度表示点击“打卡”且“任务”的,占参与打卡的比例。这里72.3%表示:点击打卡的人72.3%会浏览用户任务。提升度关联规则中的X重点内容与Y的相关性:提升度 1 且越高表明正相关性越高;提升度 0.3%,置信度 50%,提升度150%,=,Confidence =,Lift =,=/X 交叉营销的应用场景场景页面场景推荐内容点击率提升临时消费额
9、度额度为你推荐4.9352%提升消费额度额度为你推荐3.4767%降低消费额度额度为你推荐2.3842%场景页面场景推荐内容点击率早起打卡报名成功页签到任务广场7.23%信用卡激活结果页基础功能任务广场6.44%撤销储蓄卡自动还款结果页基础功能任务广场5.73%开通线上消费结果页基础功能任务广场1.79%权益购买结果页权益任务广场1.01%交叉营销的应用场景4.1%4.21%16.22%22.5%该场景由于点击量较少,人工只配置大流量位置而被忽略。模型能把这些小流量位置精准利用起来。交叉营销的应用场景基于频繁项集的主动营销44用户行为偏好模型:构建FP-Growth频繁项集访问宽度单次用户旅程中访问/使用/完成的业务/功能/服务的数量使用深度单一业务/功能/服务的浏览/点击的页面层级功能频次单次用户旅程中使用/完成的业务/功能/服务的频次从被动营销到主动营销Gen3用户画像客群标签触点响应模型用户偏好模型实时推荐模型交叉营销推荐流失预警模型异构场景留存模型生命周期模型信息流推荐模型深度学习算法用户兴趣EÐANKSK+峰会北京站官网AiDD峰会北京站官网